Als iemand ons vertelt dat we iets nieuws moeten doen of er wordt een nieuw product geïntroduceerd, dan mopperen we er misschien over, maar we passen ons aan en het leven gaat verder. We vergeten de stress die we in het verleden hebben ervaren en gaan weer door tot er iets nieuws op ons pad komt. Een vergelijkbaar iets is aan de hand geweest met machine learning en artificial intelligence. Deze technologieën hebben ons leven veranderd en veel van die veranderingen beseffen we niet eens. Zelfs als we ze kennen, staan we zelden stil bij de impact die ze op ons leven hebben.
Voor veel mensen en bedrijven is het goed, zelfs noodzakelijk, om zich aan te passen. Maar het is ook goed om stil te staan bij deze veranderingen. Big data, machine learning en artificial intelligence zullen alles veranderen in de manier waarop we leven en hoe we zakendoen. Ze zullen ons werk makkelijker maken, maar ook veel banen overbodig maken. Machines kunnen e-mails nu al met steeds grotere nauwkeurigheid en met bijna menselijke eigenschappen beantwoorden. Ze kunnen gegevens sneller en nauwkeuriger analyseren dan mensen.
Omdat machine learning steeds geavanceerder wordt, kunnen machines leren en zich op basis van oude situaties aanpassen aan nieuwe situaties, zonder een ontwikkelaar die voor iedere specifieke situatie moet programmeren. Omdat technologie vooruitgang boekt, voorspelt het World Economic Forum dat de economie in de komende jaren 5 miljoen banen gaat verliezen aan machines.
Dit betekent dat wat voor baan je ook hebt, we allemaal moeten opletten hoe machine learning onze manier van werken gaat veranderen.
Machine learning en artificial intelligence
Machine learning en artificial intelligence komen elkaar vaak tegen. Ze lijken op elkaar, maar zijn ook behoorlijk verschillend. In het algemeen is het begrip ‘artificial intelligence’ ouder dan het begrip ‘machine learning’. Ook vinden de meeste mensen dat machine learning onderdeel is van de wereld van artificial intelligence.
Bron: Nvidia
Artificial intelligence (AI)
Van Artificial intelligence zijn in de loop der jaren veel definities ontstaan, maar de meeste mensen zijn het erover eens dat AI inhoudt dat machines leren denken zoals mensen dat doen. Het is moeilijk om erachter te komen wanneer een machine denkt, omdat we veel dingen zelfs van het menselijke brein niet begrijpen. Dat vertalen naar machines is moeilijk. Dus meestal betekent AI: machines dingen laten doen die mensen kunnen doen.
Dit onderzoek begon in de jaren vijftig en leidde tot de beroemde Turing test. Onderzoekers gebruiken deze test om te bekijken of een mens kan ontdekken of ze contact hebben met een machine of met een ander mens. Als de machine menselijk gedrag kan nabootsen in die mate dat het een mens voor de gek kan houden, dan is de test geslaagd.
In 1956 toen het begrip artificial intelligence bekend werd in de wetenschappelijke wereld, zijn onderzoekers begonnen met bedenken hoe machines meer op mensen zouden kunnen lijken. Dit leidde tot de huidige vooruitgang in natuurlijke taalverwerking, beeldherkenning en machine learning.
Machine learning
Het begrip machine learning dateert uit 1959. Toen definieerde Arthur Samuel het als: “de mogelijkheid om te leren zonder bewust geprogrammeerd te zijn.” Hij ontwikkelde een computerprogramma dat de eigen prestatie kon verbeteren in het damspel door te leren van de eigen fouten.
Toen data mining begon te domineren in de jaren ’90, kwam machine learning vanuit de vergetelheid weer helemaal in beeld, omdat het nuttig was bij het maken van statistieken en voorspellende analyses. Machine learning is zo goed geworden in dit soort taken, dat sommige mensen vinden dat het gescheiden moet worden van artificial intelligence.
Zij claimen dat de processen van artificial intelligence niet bij machine learning horen en machine learning niet alle aspecten van KI hoeft te omvatten. Omdat de twee onderzoeksgebieden in de loop der jaren een beetje zijn gaan verschillen, hebben ze beide overeenkomsten waardoor ze met elkaar verweven zullen blijven.
Gebruik van machine learning
Omdat machine learning maar blijft groeien, krijgt het steeds meer invloed op aspecten van ons leven.
Beveiliging
In termen van dataprivacy en persoonlijke veiligheid, maakt machine learning het eenvoudiger voor bedrijven om zich aan te passen aan veranderingen in malware code en om data te beschermen. In veel instanties kantoren zorgt machine learning er ook voor dat de persoonlijke beveiliging nauwkeuriger wordt, omdat machines dingen kunnen volgen die mensen moeilijk met grote nauwkeurigheid op kunnen merken.
Handel
Algoritmes zijn in staat grote hoeveelheden data te gebruiken om zo beter te voorspellen hoe de markt op verschillende invloeden zal reageren. Dit systeem van algoritmes heeft machines veel beter gemaakt in het doen van investeringen dan mensen dat ooit hebben gedaan.
Gezondheidszorg
Bij het vaststellen van de diagnose bij patiënten toont onderzoek aan dat machines verschillende aandoeningen soms al jaren eerder kunnen vaststellen dan dat doctoren dit kunnen. In een bepaald geval kon de computergestuurde diagnose van borstkanker door de mammografische scan al een jaar eerder worden vastgesteld dan dat de doctoren dat konden. In een ander geval waren machines in staat te helpen bij het voorspellen en voorkomen van ziekenhuisopnamen van diabetespatiënten.
Marketing
Met algoritmes kunnen bedrijven met specifieke advertenties voor individuele gebruikers
persoonlijker maken.
Fraude
Financiële diensten gebruiken machine learning om te helpen fraudezaken en geldwitwassen te ontdekken.
Online zoeken
Zoekmachines kunnen opzoeken wat je aanklikt, hoeveel pagina’s met resultaten je bekijkt, hoe lang je op pagina’s blijft en of je nieuwe zoekwoorden gebruikt om te zoeken. Zij gebruiken die data om je betere resultaten te geven wanneer je de volgende keer zoekt.
Aanbevelingen
Veel bedrijven gebruiken algoritmes om consumenten betere aanbevelingen te kunnen doen over de dingen die ze kunnen kopen, welke films ze zouden kunnen kijken, naar welke muziek ze kunnen luisteren en nog veel meer.
Smart cars
We horen al een tijdje over ‘smart cars’, maar tot nu toe hebben we nog niet heel veel progressie gezien in het gebruik ervan. Toch denkt 74% van de top-automanagers dat smart cars de standaard zijn in 2025.
De toekomst van machine learning
We beseffen nog maar nauwelijks wat machine learning allemaal kan veranderen. Veel mensen denken dat het ons leven op nog veel meer manieren zal gaan beïnvloeden. Sommigen denken dat machines onze genetische code en levensstijl kunnen gebruiken om persoonlijke gezondheidsplannen te maken. Robots zullen door intensief gebruik leren en machines zullen sentimentanalyses kunnen uitvoeren.
Terwijl de Watson van IBM steeds geavanceerder wordt, hebben onderzoekers gezegd dat we in een tijdperk van cognitive computing zitten. Dit betekent dat computers met neurale netwerken worden ontwikkeld, die nabootsen hoe neurologische systemen in mensen precies werken.
Deze systemen bieden de mogelijkheid tot deep learning. Bij dit type machine learning lopen er tegelijkertijd op verschillende niveaus algoritmes. De volgende stappen in machine learning horen bij deep learning: leren zonder toezicht en leren op basis van simulatie. Op termijn zal machine learning zelfs nog efficiënter worden. Machines zullen op hetzelfde prestatieniveau leren, in kortere tijd en met minder data. De technische aspecten van KI en machine learning lijken misschien een beetje te abstract om echt van belang te zijn, maar er is behoefte aan mensen om deze begrippen en de geschiedenis ervan te begrijpen, omdat ze onze levens op een subtiele, maar relevante manier blijven beïnvloeden. Hoe meer we dit beseffen, des te beter kunnen we ons mens-zijn en onze levens in stand houden, terwijl machines zich ontwikkelen om meer op ons te gaan lijken.